Numpy数组

Numpy数组比python列表比较：
优势：

1.数组越大Numpy数组优势更明显，计算高效，代码简洁

2.输入输出性能远优于Python的嵌套列表

3.Numpy数组中的所有元素默认是同一类型(这样计算更高效)，可以通过dtype去指定类型，如果想传入任意类型(但是这个不利于高效计算)dtype=np.object

NumPy最重要的一个特点就是其N维数组对象（即ndarray）,该对象是一个快速而灵活的大数据集容器

import numpy as np
array1 = [1,2,3,4,5]#Python列表的定义
array2 = np.array([1,2,3,4,5])#Numpy数组的定义

array1 + 1
output：#此运行会报错，提示不支持该运算

array3 = array2 + 1#Numpy数组可以直接相加
array3
output：
array([2, 3, 4, 5, 6])

array.shape#求数组大小
output：
(5,)


np.array([[1,2,3],[4,5,6]])#多维数组定义
output：
array([[1, 2, 3],
       [4, 5, 6]])

Meng_array = np.array([1,10,3.5,'str'],dtype = np.object)#定义数据类型为object，可以接受任意数据类型
Meng_array

output:

array([1, 10, 3.5, 'str'], dtype=object)

Meng_array = np.array([1,2,3,4,5])
np.asarray(Meng_array,dtype = np.float32)#重新指定数据类型
output:
array([ 1.,  2.,  3.,  4.,  5.], dtype=float32)

常用ndarray属性：
dtype        描述数组元素的类型
shape       以tuple表示的数组形状
ndim         数组的维度
size           数组中元素的个数
itemsize    数组中的元素在内存所占字节数
T               数组的转置
flat            返回一个数组的迭代器，对flat赋值将导致整个数组的元素被覆盖
real/imag  给出复数数组的实部/虚部
nbytes      数组占用的存储空间

常用ndarray方法：
reshape(…)                                 返回一个给定shape的数组的副本
resize(…)                                    返回给定shape的数组，原数组shape发生改变
flatten()/ravel()                            返回展平数组，原数组不改变
astype(dtype)                              返回指定元素类型的数组副本
fill()                                              将数组元素全部设定为一个标量值
sum/Prod()                                  计算所有数组元素的和/积
mean()/var()/std()                        返回数组元素的均值/方差/标准差
max()/min()/ptp()/median()          返回数组元素的最大值/最小值/取值范围/中位数
argmax()/argmin()                       返回最大值/最小值的索引
sort()                                           对数组进行排序，axis指定排序的轴；kind指定排序算法，默认是快速排序
view()/copy()                               view创造一个新的数组对象指向同一数据；copy是深复制
tolist()                                          将数组完全转为列表，注意与直接使用list(array)的区别
compress()                                  返回满足条件的元素构成的数组